随着科学技术的发展和大数据时代的到来,含有大量信息数据的图像不断涌现,如何准确识别图像并利用数据中的显著部分进行检测就变得越来越重要。图像显著性检测的出现解决了这种问题。图像显著性检测的目的是检测出图像中的定点或者是突出物体,是最能引起人们视觉关注的区域。显著性检测模拟人类视觉系统,人类视觉系统通过人眼观察图像,大脑分析,做出反应,人类对复杂环境的反应高效.计算机视觉系统无法超越人类,但是能够持续工作,针对工业上环境变化不大,计算机视觉系统优势明显。目前工业透明薄膜包装的检测主要是依靠目力,容易出现标准不统一、检测效率低下、劳动强度大的缺陷。而采用简单的图像分割和特征提取对工业透明塑料薄膜的破损情况进行检测时,效果不是那么理想。为了解决这个问题,本文提出了一种利用显著性的特点快速精确地检测透明塑料薄膜缺陷的方法。具体内容和创新点如下:1)首先对拍摄的图像进行点Hough变换(PHT)。为了能够精确地提取出目标区域,采用了改进的霍夫变换——点霍夫变换。然后将PHT变换的图像进行超像素的分割,本文采用了两种超像素分割的方法,一种是基于梯度下降的SLIC分割算法,一种是基于图论的Graph-based分割算法。对SLIC超像素分割的图像,利用BP神经网络算法对分割后的超像素块进行分类,对Graph-based超像素分割的图像利用改进的基于上下文的显著性检测算法对超像素块进行显著性检测。2)比较了两种方法的优缺点及本文为什么选择利用基于改进的上下文的显著性检测。显著性检测后的图片,由于其形状特征明显,提取12个形状特征,利用主成分分析法对这些特征进行主成分分析,最后采用基于二叉树的多分类SVM对塑料薄膜的缺陷进行分类,最终实现缺陷的实时显示和缺陷的自动分类和统计,最终方便用户进行历史查询,与实际缺陷产品进行对照,方便客户操作。3)将利用改进的基于上下文的显著性检测方法和图像分割、边缘提取、神经网络和其他显著性检测法方法进行比较。实验结果表明,本文提取的方法能够很好地检测薄膜包装的破损情况。